EduSpark: адаптивная платформа обучения с искусственным интеллектом

Вызов

EduSpark хотела переосмыслить образовательные технологии с нуля. Их идея была простой, но мощной: каждый ученик учится по-разному, но каждая платформа edtech предоставляет одинаковый контент всем. Учащиеся, которые быстро усваивают концепции, скучают. Учащиеся, которые испытывают затруднения, отстают еще больше. Результат — отсутствие вовлеченности, главная проблема цифрового обучения.

Майя Патель, руководитель продукта EduSpark, обратилась к нам с конкретной целью: создать платформу, которая адаптируется в реальном времени к сильным и слабым сторонам каждого ученика. Не просто изменение сложности — на самом деле изменение подхода к обучению в зависимости от того, как учится ученик. Визуальные ученики получают диаграммы. Вербальные ученики получают объяснения. Кинестетические ученики получают интерактивные симуляции.

Платформа должна была работать на iPad (используются в школах), планшетах Android (используются дома) и веб-браузерах (для панелей учителей). Контент охватывал математику и естественные науки для 6-10 классов, первоначально на английском языке с планированием локализации на арабский для второго этапа.

Наш подход

Мы выбрали Flutter для приложения для студентов — это позволило нам получить iPad, планшет Android и веб из одной кодовой базы с производительностью, ощущаемой как родная на всех трех. Для панели учителя мы создали отдельное веб-приложение Next.js, которое подключается к одному и тому же бэкенду Supabase, предоставляя учителям видимость прогресса студентов в реальном времени.

Система ИИ состоит из трех слоев. Слой 1: механизм рекомендации контента, который выбирает следующий вопрос или урок на основе графика знаний ученика (что он знает, с чем он борется, что он еще не видел). Слой 2: система калибровки сложности, которая регулирует сложность задач в реальном времени на основе точности ответов и времени на выполнение. Слой 3: чат-бот с искусственным интеллектом на основе LLM, который дает подсказки в сократовском стиле, когда учащиеся застревают.

Механизм рекомендации использует модифицированный алгоритм отслеживания знаний. Для каждого учащегося мы поддерживаем вероятностную модель их овладения каждой концепцией в учебном плане. Каждый ответный вопрос обновляет эту модель. Затем система выбирает вопросы, которые нацелены на границу между известным и неизвестным — зону ближайшего развития, где обучение наиболее эффективно.

Репетитор на основе ИИ: применение LLM в образовании

Самой большой технической сложностью был репетитор на основе ИИ. LLM склонны просто давать ответы — противоположность хорошему обучению. Мы разработали многоуровневую систему промптинга, которая заставляет модель работать в сократическом режиме: она может задавать наводящие вопросы, давать подсказки, ведущие к ответу, объяснять концепции через аналогии, но абсолютно не может напрямую раскрывать ответ.

Мы создали оценочный конвейер, который тестирует каждое изменение промпта на 500 реальных взаимодействиях студентов. Каждый ответ оценивается по пяти параметрам: образовательная ценность, качество подсказок, утечка ответов (должна быть нулевой), возрастная уместность и вовлечённость. В продакшен попадают только промпты, которые набирают баллы выше порога по всем пяти параметрам.

Репетитор также адаптирует стиль общения в соответствии с профилем студента. Для студентов, которые хорошо реагируют на поощрение, он более энтузиастичен. Для студентов, предпочитающих прямую коммуникацию, он краток и фактичен. Такая персонализация основана на данных вовлечённости — мы отслеживаем, какие стили ответов коррелируют с продолжением усилий каждого студента.

Дизайн для вовлечённости, а не только для образования

Распространённая ошибка в edtech — проектирование для учителей в надежде, что студенты последуют. Мы проектировали в первую очередь для студентов. Приложение использует чистый, вдохновлённый игровым стилем интерфейс с визуализацией прогресса, который больше похож на фитнес-приложение, чем на учебник. Ежедневные серии, значки мастерства и визуальная карта знаний, показывающая изученные и неизученные темы, побуждают студентов возвращаться в приложение.

Мы также встроили функцию сотрудничества, где студенты могут бросать вызов одноклассникам решать задачи — с адаптивной сложностью, обеспечивающей справедливые матчи независимо от уровня подготовки. Этот социальный слой оказался функцией с наивысшей вовлечённостью, причём студенты добровольно используют приложение вне школьных часов для соревнования.

Результаты и влияние

EduSpark прошла пилотное тестирование в 3 школах с 450 учащимися в течение одного учебного года. Результаты превзошли ожидания. Учащиеся, использующие EduSpark, показали улучшение результатов тестов на 34% по сравнению с контрольными группами, использующими традиционные методы обучения. Еще более впечатляюще, время включения учащихся было в 2,5 раза выше среднего показателя по отрасли для образовательных приложений.

Учителя сообщили, что панель мониторинга в реальном времени трансформировала их способность выявлять проблемных учащихся на ранних этапах. Вместо того чтобы ждать результатов тестов, они могли видеть, какие учащиеся застряли на определенных концепциях в тот день, и оказать целевую помощь. Средние оценки удовлетворенности учителей составили 4,6 из 5.

На основе результатов пилотного проекта EduSpark получила государственный контракт на развертывание платформы в 50 школах в 2025-2026 учебном году. Контракт включает локализацию на арабский язык и расширение на классы 4-12. Мы в настоящее время разрабатываем вторую фазу с EduSpark, добавляя научные лабораторные симуляции и панель для родителей.

Извлеченные уроки

LLM в образовании требуют экстремальных защитных механизмов. В отличие от чат-бота, где неправильный ответ раздражает, обучающий AI, который дает неправильные объяснения по математике, активно наносит вред. Наш конвейер оценки был наиболее важным инвестированием во весь проект — и именно это дало школам уверенность в развертывании.

Геймификация работает, но только когда она служит обучению. Мы протестировали несколько функций вовлечения во время разработки и отказались от всего, что увеличивало время в приложении без улучшения результатов обучения. Функции, которые пережили отбор — полосы, карты знаний, вызовы для сверстников — все они напрямую коррелируют с более лучшей успеваемостью на тестах.